---
title: "Opus 5.5 max解决率仅36.95%！Navers Lab开源WorkflowArena：145项长程多智能体编排基准与“换脑不换手”迁移实测全拆解"
url: "https://paooo.com/ai-study/43036/"
author: "Prompt 语宙研究院"
published_at: "2026-11-21T15:08:58+08:00"
updated_at: "2026-11-21T15:08:58+08:00"
categories: "强化 AI 学习"
tags: "Agent基准评测, Claude Opus 5.5, Navers Lab, WorkflowArena, 多智能体编排"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Opus 5.5 max解决率仅36.95%！Navers Lab开源WorkflowArena：145项长程多智能体编排基准与“换脑不换手”迁移实测全拆解

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/ai-study/43036/) · 作者：Prompt 语宙研究院 · 发布时间：2026-11-21

## AI 30 秒核心看点 (TL;DR)

- WorkflowArena用145项真实长程任务评测“编排能力”，不再只看单模型答题。
- 隐藏式整体判题要求端到端验收，能否拆分、调度、整合结果才是关键。
- 实测中Claude Opus 5.5 max仅36.95%居首，八大领域分化明显，偏科严重。

> **💡 站外导读：**过去衡量 AI 智能体水平，往往只看单个模型能否独立跑完预设流水线，却很少考察模型在面对复杂工程时能否自己排兵布阵。Einsia AI 旗下 Navers Lab 最新开源的 WorkflowArena 填补了这一评测空白：在 8 大领域 145 项高度耦合的真实长程任务中，系统不预设任何分工脚本，完全交由主模型临场决定是否拆分、如何调度最多 16 个并发子智能体并整合并行成果。实测结果令人警醒——即便顶尖配置解决率仍不足四成。

## 一、 为什么传统榜单测不出“真智能体”？WorkflowArena 的开放式编排定义

当多智能体系统（Multi-Agent Systems）从实验室走向生产环境，真正的瓶颈早已不是单个上下文窗口内的问答准确率，而是**可执行工作流编排（Executable Workflow Orchestration）**能力：面对一项跨模块、强耦合的复杂目标，主智能体能否将其拆解为可并行子任务、精准向每个从零上下文启动的 Worker 传递必要信息，并在最后把碎片化结果对齐整合为可验收的最终产物。

此前的 Agent 基准测试通常存在两类盲区：要么只评估单一上下文的端到端完成度，要么由人类开发者预先写死静态 DAG 与角色分工，测的其实是开发者的工程设计而非模型的组织智商。**WorkflowArena（arXiv:2611.12856）** 首次把“系统拓扑设计权”交还给运行时的大模型本身。在干净隔离的 Harbor 兼容容器环境中，每道题目赋予主智能体与最多 **16 个并发 Worker** 共计 **14,400 秒（4 小时）** 的共享执行时间预算——所有规划、派生、上下文交接、返工与验证成本均计入同一总账。

## 二、 8 大领域 145 项硬核任务与“拒绝差不多”的隐藏判题机制

WorkflowArena 在任务构建上刻意筛选“可拆分但相互耦合”的真实工作流素材，共计收录 **145 道规范任务**，涵盖 **17 种交付形态**，横跨八大专业领域：软件工程（SWE，17 题）、企业运营（OPS，18 题）、科学研究（SCI，16 题，含 33 份冻结科学数据文件）、形式数学（MATH，24 题）、金融会计（FIN，16 题，随附 154 份数据源记录）、法律实务（LAW，22 题）、内容设计（CDN，14 题）以及 3D 建模与动画（3D，18 题）。

为彻底杜绝“子任务看似做对、合并时接口炸裂”的虚假繁荣，WorkflowArena 坚持 **隐藏式整体判题（Hidden Verifier）**：测试脚本与参考答案严格存放于 Solver 容器不可见的 `tests/` 侧。其主指标 **Overall Resolved（完全解决率）** 要求交付物满足该任务的**全部**验收标准——代码修改须全量通过回归测试、财务报表须完成跨主体对账、3D 部件须遵守共享空间几何约束；只要有一环未整合成功即判定失败，同时辅以 0–100 的 **Overall Score** 连续分记录部分进展，且运营类任务还额外校验操作日志合规性。

## 三、 9 大模型 25 组配置横向实测：八大领域分化剧烈，Opus 5.5 夺魁仍不足四成

研究团队在论文中完整评测了 **9 款主流大模型共 25 组推理强度（Effort）配置**（包括 Claude Code 承载的 Claude 系列与开源/国产模型，以及 Codex 承载的 GPT-6 系列）。最引人注目的发现是：没有任何一款模型能在所有八个领域全面称王，且顶尖模型的总解决率仍有极大提升空间——最佳成绩仅为 **Claude Opus 5.5（max）的 36.95%**，最佳连续分为 **Claude Opus 5.5（high）的 80.21 分**。

深入拆解行为日志还会发现截然不同的调度哲学：在高推理强度下，**Claude 系列（Claude Code）倾向于“少调度、大编队”**——减少工作流调用频次，但单次拉起规模更大的 Worker 群体；而 **GPT-6 系列（Codex）则偏好“高频次、小步快跑”**，频繁拆出细粒度小单元委派。更耐人寻味的是各领域的严重偏科：例如 Claude Opus 5.5（max）在形式数学 `MATH` 拿下 **95.83%** 的惊人解决率，在 `LAW` 法律实务却录得 **0.00%**；而 `GPT-6 Astra（xhigh）` 在 `OPS` 运营与 `MATH` 表现稳健，在 `SWE` 却全线交出 **0.00%**。

模型与执行底座 (Harness)

推理强度 (Effort)

总解决率 (Resolved %)

连续得分 / 核心分域表现亮点与短板

**Claude Opus 5.5** (Claude Code)

max

**36.95%**

Score 79.94 ｜ MATH 95.83%、CDN 57.14%、SCI 56.25%、SWE 29.41%，但 LAW 0.00%

**Claude Opus 5.5** (Claude Code)

high

34.11%

Score **80.21** (全场最高) ｜ FIN 18.75%、3D 27.78%、LAW 4.55%

**Claude Sonnet 5.5** (Claude Code)

max

33.21%

Score 73.11 ｜ CDN 64.29% (全场最佳)、LAW 9.09%、MATH 79.17%

**GPT-6 Astra** (Codex)

xhigh

30.80%

Score 77.69 ｜ MATH 83.33%、CDN 57.14%、OPS 22.22% (high 达 27.78%)，SWE 0.00%

**GPT-6.1 Sol** (Codex)

xhigh

29.50%

Score 77.52 ｜ MATH 79.17%、CDN 57.14%、3D 22.22%、SWE 0.00%

**Kimi K3.1 Pro** (Claude Code)

max

16.48%

Score 62.73 ｜ 在 32 题迁移子集引入 Opus 5.5 动态编排后，连续分可从 35.75 跃升至 **46.61**

**GPT-6 Luna** / **Doubao-Seed-Evolving**

max / high

13.32% / 10.84%

Score 55.44 / 48.66 ｜ 轻量与特定优化梯队，长程耦合任务整合失分显著

**DeepSeek V4.1 Flash** / **GLM-5.3 Flash**

max / max

6.08% / 4.43%

Score 34.48 / 39.03 ｜ 极低单题成本路线，但复杂多步协同仍需强编排大脑外挂赋能

## 四、 “换脑不换手”编排迁移实证：为何决定上限的是编排而非盲目烧钱？

为了把“写工作流的大脑”和“干具体活的双手”彻底解耦，Navers Lab 在 32 道高难度跨领域题目上设计了极具启发性的 **Workflow Transfer（编排迁移）实验**：让前沿强模型（如 Claude Opus 5.5 或 GPT-6 Astra）只负责撰写可执行工作流与 Worker 提示指令，**绝不允许触碰工作区任何文件**；实际文件修改、代码编写与计算全部交给固定不变的执行模型（Kimi K3.1 Pro、GPT-6 Luna、Doubao-Seed-Evolving 或 DeepSeek V4.1 Flash）完成，并分别测试事前冻结的“静态编排”与根据 Worker 反馈在线调整的“动态编排”。

实验数据给出了极其震撼的工程答案：当执行底座固定为 **Kimi K3.1 Pro** 时，它自己当指挥官的动态得分为 **35.75**；一旦换上 **Opus 5.5（max）** 编写静态流程即跃升至 **45.04**，切换为 Opus 5.5 动态协同更一举飙升至 **46.61**（净增 **+10.86 分**）。同样，**DeepSeek V4.1 Flash** 在 Opus 5.5 动态编排驱动下从自编排的 **18.37** 大幅提高到 **25.24**；而有趣的是，若改用 **GPT-6 Astra** 给 DeepSeek V4.1 Flash 写静态工作流，得分反而滑落至 **12.85**。这意味着优质编排策略并非简单的“提示词加长”，而是必须与执行模型的指令遵循习惯、上下文边界高度契合——目前仓库已完整开源（`git clone https://github.com/Einsia/WorkflowArena.git`）并提供 SHA-256 资产校验与 Harbor 一键物化脚本，方便工程团队在真实生产栈中复现这套帕累托最优组合。

#### 📝 站长洞察 (Editor's Insight)

WorkflowArena 是近期最值得 Agent 架构师精读的硬核基准，它用 145 道真实交付题撕开了当下“多智能体热潮”的两层窗户纸：第一，哪怕强如 Claude Opus 5.5 全力输出，面对跨越代码、财务对账、3D 空间约束的强耦合长程任务，完全解决率也只有 36.95%，证明多智能体从“能拆分”到“能无损整合”还有很长的路要走；第二，“换脑不换手”迁移实验揭示了一条极具性价比的工程捷径——生产环境完全可以用极高智商的旗舰模型充当轻量级动态 Orchestrator 编排调度，把海量读写执行卸载给高并发低价模型，从而在成本与解决率帕累托前沿上跑出最优解。

## 📊 WorkflowArena 任务类型与数量分布

> 核心发现：图中展示的是 WorkflowArena 的任务类别分布图，共 145 项任务，数量最多的是 MATH（24）和 LAW（22），OPS 与 3D 各 18 项。

| 任务类别 | 任务数 |
| --- | --- |
| LAW | 22 |
| MATH | 24 |
| OPS | 18 |
| 3D | 18 |
| SCI | 16 |
| FIN | 16 |
| CDN | 14 |
| SWE | 17 |

## 常见问题解答 (FAQ)

### WorkflowArena主要测什么能力？
它主要评测多智能体系统的可执行工作流编排能力，包括任务拆解、子智能体调度、上下文交接、并行结果整合与最终验收，而不是只看单轮问答或静态流水线完成度。

### WorkflowArena为什么比传统Agent榜单更难？
因为它不预设固定分工脚本，主模型必须在运行时自己决定是否拆分、如何派发最多16个并发Worker，并在统一时间预算内完成返工与整合；同时采用隐藏式整体判题，任何一环失败都算未解决。

### 哪款模型在WorkflowArena上表现最好？
文中给出的最佳总解决率是Claude Opus 5.5（max），为36.95%；最佳连续分是Claude Opus 5.5（high），为80.21分。但各领域表现差异很大，说明当前顶尖模型仍存在明显偏科。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
